1. Collaborative Filtering

Collaborative Filtering: 通过喜好相近的人构造推荐列表。

如何表示喜好？用嵌套字典表示不同人对不同影片的评分。嵌套字典的数据结构就像一棵树，叶子节点（键值）表示最终的属性。(源代码)

>>>from recommendations import critics>>> critics['Toby']{
    'Snakes on a Plane': 4.5, 'Superman Returns': 4.0, 'You, Me and Dupree': 1.0}>>> critics['Toby']['Superman Returns']4.0

 

2. Finding Similar Users

Euclidean Distance Score

评价公式：

该值越大，喜好越相似，没有共同评价过的电影，则返回 0.

Pearson Correlation Score

数据不是很规范，比如有人习惯给高分，有人习惯给低分，用皮尔逊相关度评价效果更好。

Pearson Correlation 实际上就是两个向量的余弦值，等于两个向量中心化后（减去均值）的内积除以长度的乘积：

同样，数值越大，两个向量角度越小，喜好越相似。此外，相似度度量方法还有 Jaccard 系数或者曼哈顿距离等，更多关于相似度度量信息可以参考这篇.

Ranking the Critics

根据不同的相似度度量方法返回从高到低排好序的的相似者.

>>> from recommendations import *>>> topMatches(critics, 'Toby', similarity=sim_pearson, n=3)[(0.9912407071619299, 'Lisa Rose'), (0.9244734516419049, 'Mick LaSalle'), (0.8934051474415647, 'Claudia Puig')]

 

3. Recommending Items

现在我们只得到喜好相同的人，怎么才能得到推荐的物品？我们可以查找与自己品味相投的人，并从他们喜好的影片中找到自己没有看过的电影，但是这样不够全面。可以利用下面公式给自己没有看过的电影进行评分预测：